首发| 00后团队一连融两轮，押注机器「类脑架构」

大模型正在快速进入物理世界。

从VLA、世界模型到具身基座模型，机器人正在获得越来越强的视觉理解、语言推理和动作生成能力。当外界愈发认识到具身大脑的重要性，这里正在成为创业者争相涌入的赛道。

武汉齐智火星登陆科技有限公司（简称“火星登陆”）便是当中一个新面孔。2025年4月，火星登陆正式成立，背后创始人朱禹涵，是一位00后。


与继续训练一个更大的具身基础模型不同，火星登陆选择了另一个方向：以空间智能为基础，构建面向物理世界的类脑智能架构。

在朱禹涵看来，如果模型解决的是机器“会什么”，那么真正的大脑还要解决一个更难的问题：如何把这些能力组织起来，让机器在真实世界中持续自主地完成任务。

这种超乎年龄的思考与判断，很快吸引了投资人下注。现在，火星登陆融资浮出水面——连续完成两轮数千万元融资，由力合创投、光谷金控、瑞江投资、武汉高科共同完成，老股东奇绩创坛追加投资。

“模型”不等于“大脑”

之所以瞄准空间智能体类脑赛道，源自朱禹涵的一个观察：行业可能过早地把“模型”和“机器人大脑”画上了等号。在他看来，“模型本质上提供的是一种或者一组能力。能力再强，也不等于一个完整的大脑。”

这一差别，在长程任务中表现得尤其明显。今天的机器人在单项任务，甚至部分跨任务、跨场景任务中已经有了很好的表现：从抓取、分拣、叠衣，到开门、搬运、移动操作，模型正在让机器人越来越“会做事”。

但“会做很多事”和“能够长期自主地把一件复杂的事做完”，是两个不同的问题。一旦把任务从几分钟拉长到几个小时，要求机器人跨场景、跨任务持续自主运行，问题就会迅速变得复杂。机器人不仅要判断下一步做什么，还要持续记住自己在哪里、做过什么、任务进行到哪一步；中途环境变化、执行失败，还要能够自己调整并继续完成任务。

而这些问题，很难仅靠一个更强的模型自然解决。长程自主需要持续的空间记忆、任务状态、多能力协同和反馈纠错，解决的已经不只是“模型够不够强”，而是“这些能力如何被长期组织起来”。

正如朱禹涵所说，“模型解决的是能力，大脑解决的是如何把能力组织成智能。”这也是火星登陆所说的“类脑”：不是模仿神经元，而是在模型之外构建智能组织架构，让记忆、任务、技能、行动和反馈形成持续闭环。

路径尚未收敛
更关注有效经验

过去几年，大模型Scaling的成功已经被充分验证，也让行业很自然地希望把这条路径复制到具身智能。但如果模型不等于“大脑”，那么单纯沿着模型Scaling的路径，也未必能够Scaling出一个真正的机器“大脑”。

语言模型已经形成相对明确的Scaling路径，但具身智能远没有走到这一步。什么数据真正有价值、怎么采、怎么组织、怎么训练，都还没有完全定型。

具身数据又高度绑定机器人本体、传感器、动作空间和模型架构。一旦技术范式发生变化，过去的数据价值就可能被重新评估。

因此，朱禹涵认为，现在还远没到简单用“谁的数据更多”判断壁垒的时候。“行业现在很喜欢讲百万小时、千万小时的数据规模。但如果数据范式本身都没有收敛，那么今天拥有100万小时还是1000万小时数据，并不能直接说明壁垒有多深。”

甚至可能恰恰相反：在技术范式快速变化的时候，数据越多不一定意味着壁垒越深，也可能意味着更高的迁移成本。今天的数据资产，未来甚至可能成为历史包袱。

这种认知也体现在火星登陆的技术路线上——相比单纯积累数据规模，他们更关注的是机器能否在与真实世界的交互中持续形成经验。数据记录“发生了什么”，经验则进一步包含行动、结果、失败和修正。

在火星登陆看来，如果语言模型Scaling的重要基础是Token，那么具身智能更值得关注的，可能是Experience Scaling——机器能否在行动、反馈和修正中持续积累有效经验。

从开放场景切入

对于当前火热的“机器人进工厂”，朱禹涵也有着不同的判断：“机器人进厂”是真需求，但“机器人进厂”不等于“具身智能落地”。相当一部分需求，本质上仍然是自动化问题。

对于一家工厂而言，真正购买的不是机器人的“智能程度”，而是生产力。企业算的是能不能更便宜、更快、更稳定，多久能够回本。如果传统自动化、机器视觉叠加适量AI已经能够稳定解决问题，那么换上一台更“智能”的机器人，并不会天然创造额外价值。

当然，在柔性制造、复杂装配、非标操作以及难以彻底改造的存量环境中，更通用的机器人能力正在展现价值。

朱禹涵认为，这当中需要区分两个问题：机器人在哪里更容易落地，和机器智能在哪里更容易进化，不一定是同一个问题。

工业生产追求通过标准化尽可能减少不确定性，而通用机器智能真正需要解决的，恰恰是不确定性。一个问题越能被彻底标准化，就越接近自动化问题；越无法被标准化，智能本身的价值才越大。

如此，构成了火星登陆真正聚焦的方向——地下空间、隧道、山林、应急等复杂环境，以及未来家庭、养老、商业服务等开放场景。这些场景有一个共同特点：世界不会为了机器人而被完全标准化。

在这些场景中，网络会中断、定位会丢失、环境和任务会变化，机器必须处理大量没有被提前定义的问题。朱禹涵认为，这种复杂、开放、长尾的环境，更接近机器智能最终需要面对的真实世界。

而在更远的未来，真正的具身RSI（Recursive Self-Improvement），离不开机器与真实世界的持续交互。这不难理解，仿真、合成数据和世界模型可以降低训练成本、提高学习效率，但机器最终仍需要接受真实世界的反馈，在任务中形成“感知—记忆—决策—行动—反馈—纠错—再学习”的闭环。

一次失败不应该只留下一条日志，而应该改变机器下一次面对类似问题时的行为。在朱禹涵看来，“真实世界不应该只是具身智能最后的测试集，它本身就应该成为机器持续学习的一部分。”

这也是火星登陆理解“类脑”的另一层含义：不仅关注智能如何被组织，也关注智能如何在与世界的持续交互中形成。

当AI进入物理世界

基于这些判断，火星登陆没有选择再训练一个具身基础模型，而是从空间智能切入机器智能的底层架构。

机器进入物理世界，需要持续理解自己在哪里、周围有什么、去过哪里、环境发生了什么变化，以及任务与空间之间是什么关系。

围绕这一方向，火星登陆形成了从空间理解与记忆、任务组织与协同，到端侧技能执行的技术体系，并形成星擎M1、星群M2、星芒M3产品矩阵。

这并不是为了替代VLA、世界模型或者未来更强的基础模型。恰恰相反，朱禹涵认为，模型一定会越来越强。

但模型越强、机器拥有的能力越多，“如何组织智能”反而越重要。

当AI真正进入物理世界，下一阶段的问题可能不再只是机器“会多少”，而是它能否在不断变化的世界里，形成持续的记忆、组织复杂的任务、从真实反馈中积累经验，并最终完成长期自主。

模型让机器拥有能力，而类脑架构要解决的，是这些能力如何最终形成完整的机器智能。这是火星登陆选择押注的方向。